Bỏ để qua phần nội dung

Giám sát tập luyện bằng cách sử dụng Ultralytics YOLOv8 🚀

Theo dõi tập luyện thông qua ước tính tư thế với Ultralytics YOLOv8 Tăng cường đánh giá tập thể dục bằng cách theo dõi chính xác các mốc và khớp cơ thể chính trong thời gian thực. Công nghệ này cung cấp phản hồi tức thì về hình thức tập thể dục, theo dõi thói quen tập luyện và đo lường các chỉ số hiệu suất, tối ưu hóa các buổi đào tạo cho người dùng và huấn luyện viên.



Xem: Giám sát tập luyện bằng cách sử dụng Ultralytics YOLOv8 | Chống đẩy, kéo lên, tập luyện cơ bụng

Ưu điểm của giám sát tập luyện?

  • Tối ưu hóa hiệu suất: Điều chỉnh các bài tập dựa trên dữ liệu theo dõi để có kết quả tốt hơn.
  • Thành tựu mục tiêu: Theo dõi và điều chỉnh mục tiêu tập thể dục để có tiến độ có thể đo lường được.
  • Cá nhân: Kế hoạch tập luyện tùy chỉnh dựa trên dữ liệu cá nhân để đạt hiệu quả.
  • Nhận thức về sức khỏe: Phát hiện sớm các mô hình cho thấy các vấn đề sức khỏe hoặc tập luyện quá sức.
  • Quyết định sáng suốt: Các quyết định dựa trên dữ liệu để điều chỉnh thói quen và thiết lập các mục tiêu thực tế.

Ứng dụng trong thế giới thực

Giám sát tập luyện Giám sát tập luyện
Đếm chống đẩy Đếm PullUps
Đếm chống đẩy Đếm PullUps

Ví dụ giám sát tập luyện

import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n-pose.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

gym_object = solutions.AIGym(
    line_thickness=2,
    view_img=True,
    pose_type="pushup",
    kpts_to_check=[6, 8, 10],
)

frame_count = 0
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    frame_count += 1
    results = model.track(im0, verbose=False)  # Tracking recommended
    # results = model.predict(im0)  # Prediction also supported
    im0 = gym_object.start_counting(im0, results, frame_count)

cv2.destroyAllWindows()
import cv2

from ultralytics import YOLO, solutions

model = YOLO("yolov8n-pose.pt")
cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

video_writer = cv2.VideoWriter("workouts.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

gym_object = solutions.AIGym(
    line_thickness=2,
    view_img=True,
    pose_type="pushup",
    kpts_to_check=[6, 8, 10],
)

frame_count = 0
while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    frame_count += 1
    results = model.track(im0, verbose=False)  # Tracking recommended
    # results = model.predict(im0)  # Prediction also supported
    im0 = gym_object.start_counting(im0, results, frame_count)
    video_writer.write(im0)

cv2.destroyAllWindows()
video_writer.release()
Hỗ trợ

Hỗ trợ "chống đẩy", "pullup" và "abworkout"

Bản đồ KeyPoints

Thứ tự keyPoints Ultralytics YOLOv8 Tư thế

Lập luận AIGym

Tên Kiểu Mặc định Sự miêu tả
kpts_to_check list None Danh sách ba chỉ số chính, để đếm bài tập cụ thể, tiếp theo là Bản đồ điểm chính
line_thickness int 2 Độ dày của các đường được vẽ.
view_img bool False Gắn cờ để hiển thị hình ảnh.
pose_up_angle float 145.0 Ngưỡng góc cho tư thế 'lên'.
pose_down_angle float 90.0 Ngưỡng góc cho tư thế 'xuống'.
pose_type str pullup Loại tư thế để phát hiện ('pullup', pushup, abworkout, squat).

Lập luận model.predict

Tên Kiểu Mặc định Sự miêu tả
source str 'ultralytics/assets' Thư mục nguồn cho hình ảnh hoặc video
conf float 0.25 Ngưỡng tin cậy đối tượng để phát hiện
iou float 0.7 giao điểm trên ngưỡng hợp nhất (IoU) cho NMS
imgsz int or tuple 640 Kích thước hình ảnh dưới dạng vô hướng hoặc danh sách (h, w), tức là (640, 480)
half bool False sử dụng độ chính xác một nửa (FP16)
device None or str None thiết bị để chạy, tức là thiết bị cuda = 0/1/2/3 hoặc thiết bị = CPU
max_det int 300 Số lần phát hiện tối đa trên mỗi hình ảnh
vid_stride bool False Sải bước tốc độ khung hình video
stream_buffer bool False đệm tất cả các khung hình phát trực tuyến (True) hoặc trả về khung hình gần đây nhất (False)
visualize bool False Trực quan hóa các tính năng của mô hình
augment bool False Áp dụng tăng cường hình ảnh cho các nguồn dự đoán
agnostic_nms bool False NMS bất khả tri lớp
classes list[int] None Lọc kết quả theo lớp, tức là lớp = 0 hoặc lớp = [0,2,3]
retina_masks bool False Sử dụng mặt nạ phân đoạn có độ phân giải cao
embed list[int] None Trả về các vectơ / nhúng tính năng từ các lớp đã cho

Lập luận model.track

Tên Kiểu Mặc định Sự miêu tả
source im0 None Thư mục nguồn cho hình ảnh hoặc video
persist bool False Các rãnh liên tục giữa các khung hình
tracker str botsort.yaml Phương pháp theo dõi 'bytetrack' hoặc 'botsort'
conf float 0.3 Ngưỡng tin cậy
iou float 0.5 Ngưỡng IOU
classes list None Lọc kết quả theo lớp, tức là lớp = 0 hoặc lớp = [0,2,3]
verbose bool True Hiển thị kết quả theo dõi đối tượng


Created 2023-12-02, Updated 2024-06-10
Authors: glenn-jocher (10), IvorZhu331 (1), RizwanMunawar (4)

Ý kiến